Panduan Penentuan Beban Dan Target Cakupan Penemuan Dan Pengobatan TBC 2019 2024 Compressed Compressed
Panduan Penentuan Beban Dan Target Cakupan Penemuan Dan Pengobatan TBC 2019 2024 Compressed Compressed
Apresiasi saya sampaikan kepada Komli TB yang bersama jajaran Ditjen P2P
telah menyusun dan menerbitkan buku berjudul Panduan untuk Menentukan
Beban dan Target Cakupan Penemuan dan Pengobatan TB di Indonesia 2019 –
2024. Dengan memanfaatkan panduan ini maka insiden TB dan target penemuan
kasus TB yang harus dicapai di tingkat Provinsi dan di tingkat Kabupaten/ Kota
dapat ditentukan.
Buku ini dimaksudkan untuk digunakan oleh para pengelola program TB tingkat
Nasional, Provinsi, dan Kabupaten/kota. Dengan terbitnya buku ini diharapkan
seluruh jajaran kesehatab di Pusat dan Daerah dapat menghitung beban TB,
menentukan target penemuan kasus TB di wilayahnya, dan melakukan upaya
pencapaian target menuju Eliminasi TB tahun 2030.
REFERENSI ________________________________________________________ 63
Ada empat metode yang digunakan secara global untuk menghitung angka
insiden tuberkulosis di setiap negara:
Keterbatasan metode yang mendasari pendapat para ahli tentang masalah gap
pada pelaporan dan deteksi kasus sering dipertanyakan kesahihannya, sulit
dihindari konflik kepentingan, serta keterbatasan sarana layanan, kualitas
layanan diagnostik dan perilaku penduduk dalam mencari pengobatan
tuberkulosis. Kualitas layanan diagnostik, seringkali sulit mendapatkan data
orang dengan tuberkulosis yang sudah terkonfirmasi.
Metode ketiga ini dapat dilakukan bila sistem surveilans dapat diandalkan seperti
negara maju, dengan memprtimbangkan tingkat under-reporting dan under-
diagnosis. Biasanya data surveilans cukup konsisten dengan memperhatikan
rasion Kematian TB dan Notifikasi, bila terdapat fluktuasi maka ada masalah
dalam pelaporan,
Variasi estimasi yang cukup lebar, disebabkan oleh variasi ketidakpastian akibat
penyampelan (sampling) pada prevalensi tuberkulosis pada dewasa,
ketidakpastian saat mengestimasi TB anak dan TB di ekstra-paru, serta
ketidakpastian tentang durasi penyakit.
1.2 Tujuan
Buku ini berisi penjelasan tentang teknik perhitungan estimasi insiden TB pada
tingkat nasional, provinsi, dan kabupaten/kota. Buku ini juga berisi tentang
penjelasan cara menentukan target penemuan kasus TB di tingkat nasional,
provinsi, kabupaten/kota, dan kecamatan. Target penemuan kasus TB di tingkat
nasional dan provinsi telah ditetapkan di dalam buku ini.
Buku ini ditujukan untuk pengelola program TB baik ditingkat nasional, provinsi,
kabupaten/kota.
Dasar hukum dari penulisan buku ini adalah Peraturan Menteri Kesehatan
Nomor 67 Tahun 2016 tentang Program Penanggulangan Tuberkulosis.
Di dalam sub-bab ini akan dibahas tentang dua metode penghitungan estimasi
insiden TB di tingkat nasional yang disarankan oleh WHO berdasarkan
ketersediaan data di suatu negara.
𝑝
"𝑝𝑎𝑟𝑢;𝑎𝑛𝑎𝑘 = 𝑝
"𝑝𝑎𝑟𝑢;𝑑𝑒𝑤𝑎𝑠𝑎 × 𝑟𝑎𝑛𝑎𝑘/𝑑𝑒𝑤𝑎𝑠𝑎
dengan:
𝑝
"849: = ;"
𝑝𝑝𝑎𝑟𝑢;𝑎𝑛𝑎𝑘 × c= + ;"
𝑝𝑝𝑎𝑟𝑢;𝑑𝑒𝑤𝑎𝑠𝑎 × (1 − c)=
dengan:
𝑝̂849:
𝑝̂ CD =
1 − Pr (𝐸𝑃)
• Pr (𝐸𝑃) adalah proporsi kasus baru TB ektra paru yang ternotifikasi (data
notifikasi Program TB Nasional, 2008-2012), secara rerata dari data 5
tahun tersebut adalah 0,09 dengan simpangan baku (SD) 0,007
• Asumsi yang digunakan dalam penghitungan ini adalah (1) proporsi kasus
TB ekstra paru terhadap TB semua bentuk yang ternotifikasi sama dengan
pada kasus TB di populasi dan (2) proporsi kasus TB ektra paru sama
untuk semua kelompok umur
• Estimasi prevalensi TB paru per 100.000 penduduk adalah 600 (95% CI:
466 – 734),
Uncertainty estimates (dalam bentuk 95% CI) untuk setiap penghitungan estimasi
prevalensi menggunakan metode propagation.
Metode 1
di mana S adalah jumlah suspek TB, I adalah kasus baru TB (insiden) dari S
dengan proporsi yang menjadi kasus TB sebesar b. Selanjutnya dari kasus insiden
TB ini ada sebagian yang belum diobati (U) dan sebagian lagi diobati (T), dengan
proporsi yang diobati sebesar d. Dari kasus insiden TB saat belum diobati
mempunyai tingkat kesembuhan sebesar (qU) dan tingkat kematian sebesar (µU).
Dari kasus insiden TB yang telah diobati mempunyai tingkat kesembuhan sebesar
(qT) dan tingkat kematian sebesar (µT).
Cambodia 2002 260 42 12 (10 – 15) 2,9 (1,9 – 4,0) 4,0 (2,5 – 5,8)
Cambodia 2011 205 80 8,3 (7,1 – 9,8) 1,2 (0,8 – 1,6) 6,7 (4,5 – 9,3)
Myanmar 2009 300 79 6,1 (5,0 – 7,5) 1,8 (1,1 – 1,6) 3,3 (2,0 – 4,8)
Thailand 2012 136 60 2,5 (1,9 – 3,5) 1,1 (0,5 – 1,6) 2,3 (1,0 – 3,5)
Indonesia 2013 407 122 6,6 (5,2 – 8,1) 1,6 (1,0 – 2,2) 4,1 (2.4 – 5.8)
Keterbatasan dalam metode ini adalah (1) bahwa informasi tentang kepositifan
kultur untuk kasus TB yang diobati (T) saat mulai pengobatan tidak tersedia
(hanya tersedia untuk sputum mikroskopis), T mungkin over-estimates dan
Metode 2
Keterbatasan dalam metode ini adalah bahwa informasi tentang durasi penyakit
untuk suatu waktu dan di suatu negara tidak diketahui sehingga akan
menyebabkan bias dalam melakukan estimasi insiden ketika angka durasi
penyakit yang dipakai tidak tepat untuk negara tersebut.
Cambodia 2002 12 (10 – 15) 4,0 (2,5 – 5,8) 2,2 (1,5 – 2,9)
Cambodia 2011 8,3 (7,1 – 9,8) 6,7 (4,5 – 9,3) 3,8 (2,2 – 5,8)
Myanmar 2009 6,1 (5,0 – 7,5) 3,3 (2,0 – 4,8) 3,4 (2,0 – 5,1)
Thailand 2012 2,5 (1,9 – 3,5) 2,3 (1,0 – 3,5) 1,1 (0,7 – 1,6)
Indonesia 2013 6,6 (5,2 – 8,1) 4,1 (2,4 – 5,8) 4,3 (2,2 – 7,2)
Metode 1
410 (240 – 580) per 100.000/tahun
Method 2
430 (220 – 720) per 100.000/tahun
Dari hasil pemadanan (matching) data diketahui bahwa ada sebanyak 22.681
yang unik dari kedua data tersebut. Ada sebanyak 9.470 (42%) kasus TB yang
tercatat di data IVS tetapi tidak tercatat di data NTP. Sebaliknya ada sebanyak
1.361 (6%) kasus TB yang tercatat di NTP tetapi tidak tercatat di data IVS.
Sedangkan jumlah kasus TB yang tercatat di kedua sumber data tersebut adalah
11.850 (52%) kasus (Lihat Gambar 2).
dimana 𝑢PD , 𝑢PT , dan 𝑢DT adalah two-way interaction terms antara berbagai
sumber data, dan 𝑢PDT adalah three-way interaction term.
ln 𝐸(𝑛UUU ) = 𝑢
NTP*
NTP* NTP* IVSpublic*
Model IVSpublic*
IVSpublic IVSprivate IVSprivate
IVSprivate
Model 1 Ya Ya Ya Ya
Hasil jumlah kasus TB yang belum terdiagnosis (u), SE(u), 95%CI dari u, dan nilai
AIC dapat dilihat pada Tabel 4.
𝑢
Pr(𝑢) =
𝑢+𝑑
dengan:
SE(𝑢) × Pr(𝑢)
SE(Pr(𝑢)) =
𝑢
dengan:
𝑛⁄(1 − Pr (𝑟))
𝐼=
(1 − Pr (𝑢))
dengan:
Distribusi kasus TB menurut notifikasi dan diagnosis status dapat di lihat pada
Gambar 3.
Pada sub-bab sebelumnya telah dihitung estimasi insiden TB dengan dua metode
dan data yang berbeda, yaitu data SPTB 2013-2014 dan IVS 2017-2018. Hasil
estimasi insiden TB dengan menggunakan data IVS dianggap lebih baik karena
FIG. B4.4.4 TABLE B4.4.1
tingkat uncertainty yang lebih rendah (estimasi interval yang lebih sempit) dan
Trends in estimated rates of TB incidence and case Level of TB under-reportin
datanya lebihnotifications,
baru. Estimasi interval dari
2000–2017. data time
Updated IVS series
beradaofdi dalamcare
estimasi
provider, type of TB c
interval dari data SPTB. Perbandingan hasil estimasi dari kedua
incidence rates for 2000–2017 are shown in blue, metode tersebut
accounting for sampling de
previous estimates for 2000–2016
setelah dimodelkan dari 2000-2017 lihat Gambar 4. that were based
on the 2013–2014 national TB prevalence survey are
shown in orange and case notifications are shown in
Total
black. Shaded areas represent uncertainty bands.
By type of health provider
Primary health care (“puskes
per 100 000 population per year
By TB case type
400 Bacteriologically confirmed
Clinically diagnosed
By site of disease
Pulmonary
200 Extra-pulmonary
By age
<15 years
0 ≥15 years
2000 2005 2010 2015
By sex
Female
Male
Gambar 4 Tren estimasi insiden kasus TB per 100.000 penduduk dari kedua metode
FIG. data
(berdasarkan B4.4.5 By strata
SPTB (orange) dan IVS (biru) dan tren notifikasi (hitam)
TB incidence in Indonesia, 2017 broken down into Sumatera
Bali/Java
those cases detected and notified, those detected Other
and not notified (or underreported) and those not a
Clinics, general practitioners, labor
detected
Setelah ditetapkan at all insiden TB pada tingkat nasional yaitu 842.000
angka
(767.000 – 919.000) kasus TB yang merupakan beban pada tingkat nasional,
Undetected
selanjutnya perlu dilakukan untuk menghitung estimasi beban pada tingkat
18%
wilayah yaitu tingkat provinsi dan kabupaten/kota. Untuk melakukan hal
tersebut telah dikembangkan tool yang dapat digunakan oleh perencana program
di tingkat pusat maupun wilayah. Tool yang dapat digunakan untuk menghitung
Notified Incident cases
Sub-national Estimate
53% of TB Burden di Indonesia ini selanjutnya disebut
SUBSET.
GP networks. The inventory stud
Detected not for how to strengthen approache
notified
providers.
29%
1) Berdasarkan data
2) Dibangun berdasarkan hasil prevalensi survei
3) Sederhana
4) Dapat digunakan dan didiseminasi oleh kabupaten/kota
1) Tingkat kabupaten/kota
a. Jumlah populasi (Sumber: Proyeksi, BPS)
b. Angka notifikasi TB (sumber: Nasional TB Program (NTP))
c. Persentase Penduduk yang tinggal di daerah urban (sumber: BPS,
Susenas)
d. Persentase penduduk dengan luas tempat tinggal per kapita <8m2
(sumber: BPS, Susenas)
e. Persentase penduduk yang telah menyelesaikan pendidikan hanya
sampai tingkat SMP (sumber: BPS, Susenas)
3) Tingkat nasional
a. Estimasi insiden TB
b. Target cakupan penemuan dan pengobatan TB
Sebaran data per kabupaten/kota yang dipakai dalam model ini adalah sebagai
berikut
Gambar 7 Distribusi proporsi penduduk yang tinggal di rumah dengan luas per
kapita kurang dari 8 meter persegi di setiap kabupaten/kota
Gambar 8 Distribusi proporsi penduduk dengan tingkat pendidikan SMP atau lebih
rendah di setiap kabupaten/kota
Estimasi insiden
tingkat kabupaten/kota
Estimasi insiden
tingkat provinsi
Gambar 11 Proses SUBSET untuk estimasi insiden dan penentuan target penemuan
dan pengobatan TB tingkat wilayah
1) Method
Worksheet ini berisikan informasi awalan terkait data yang dipakai dalam
workbook nasional. Tampilan worksheet method seperti pada Gambar 12.
2) Input 1
Worksheet ini berisikan seluruh data yang dibutuhkan untuk melakukan estimasi
pada tingkat kabupaten/kota. Data yang diinput adalah sebagai berikut:
1) Nama dan kode kabupaten, provinsi, dan kawasan (sesuai data BPS)
2) Jumlah Populasi (Sumber: Hasil proyeksi, BPS)
3) Angka Notifikasi TB (menurut fasyankes dan domisili) dan TB-HIV
(Sumber: National TB Program (NTP))
4) Proporsi penduduk yang tinggal di area urban, proporsi penduduk yang
tinggal di <8m2 per orang, dan proporsi penduduk yang telah
menyelesaikan pendidikan hanya sampai tingkat SMP (Sumber : Susenas,
BPS)
5) Jumlah penduduk yang terinfeksi HIV (Sumber: Estimasi, Subdit AIDS)
6) Proporsi penduduk yang terpapar polusi udara (Sumber: BMKG)
Worksheet ini berisikan informasi untuk input pada tingkat nasional yaitu
insiden TB dan target penemuan dan pengobatan TB dan pada tingkat kawasan
yaitu RR untuk setiap faktor risiko dan prevalensi TB.
Pada worksheet ini dilakukan penginputan data Risk Ratio TB untuk setiap
variabel pada setiap kawasan. Data ini yang akan digunakan sebagai multiplier
atau pengali dalam pembuatan skor variabel di setiap kabupaten/kota. Data yang
diinput berasal dari hasil SPTB 2013-2014 untuk variabel status urban/rural, luas
lantai per kapita, dan tingkat pendidikan, namun untuk status HIV berasal dari
data Subdit AIDS, Kemenkes dan polusi udara dari data Informasi Air Quality
Index di Indonesia. Sedangkan untuk angka prevalensi yang digunakan adalah
angka prevalensi TB paru pada penduduk dewasa yang didapatkan dari hasil
SPTB 2013-2014.
𝑃9 × 𝑁9
𝐵9 =
100.000
dengan:
Jumlah
Prevalensi Proporsi
penduduk Beban
Kawasan (per 100 ribu beban
(dalam kumulatif
penduduk) kumulatif
ribuan)
Sumatera 913 56.742 518.050 28%
Jawa-Bali 593 152.032 901.551 48%
KTI 842 52.317 440.509 24%
𝐵9
𝐼9 = ×𝐼
∑ 𝐵9
Insiden TB
Kawasan Batas rendah Batas tinggi
(nilai tengah)
Sumatera 234.501 213.613 255.946
Jawa Bali 408.097 371.747 445.418
KTI 199.401 181.640 217.636
Perhitungan batas rendah dan tinggi insiden TB per kawasan menggunakan cara
yang sama. Selanjutnya angka insiden TB per kawasan yang didapat akan
dialokasikan untuk setiap kabupaten/kota.
Pada worksheet ini akan dilakukan perhitungan skor per variabel dan total skor
per kabupaten/kota (sebagai alokator) yang digunakan untuk memperkirakan
insiden TB di setiap kabupaten/kota. Estimasi insiden TB per provinsi dihitung
dengan menjumlahkan insiden TB per kabupaten/kota dalam suatu provinsi.
Estimasi insiden TB per provinsi ini akan digunakan sebagai salah satu faktor
dalam menentukan target penemuan dan pengobatan TB di setiap provinsi.
Skor adalah penjumlahan dua skor, yaitu (1) skor untuk penduduk risiko tinggi
dan (2) skor untuk penduduk risiko rendah. Skor risiko tinggi adalah perkalian
antara proporsi penduduk yang berisiko lebih tinggi dengan faktor pengali risiko
tersebut. Skor risiko rendah adalah proporsi penduduk yang berisiko lebih rendah.
dengan :
(b)
• 𝑝M adalah proporsi penduduk yang memenuhi kondisi variabel (𝑣) di
kabupaten/kota i
• 𝑟 c;b adalah faktor pengali untuk variabel (𝑣) pada kawasan R
Gambar 15 Worksheet perhitungan skor variabel dan total skor per kabupaten/kota
(:9f46)
𝑠eeUe = (0,2 × 1,72) + (1 − 0,2) = 1,15
Nilai skor untuk variabel urban berkisar antara minimal 1 dan maksimal nilai
faktor pengali risiko di suatu kawasan. Misalnya pada setiap daerah yang
termasuk dalam Kawasan Sumatera dengan RR=1,72, maka skor akan bernilai 1
Cara yang sama dilakukan untuk variabel lain di setiap kabupaten/kota yaitu
proporsi penduduk yang tinggal di rumah dengan luas rumah per kapita kurang
dari 8 m2, proporsi penduduk yang mempunyai tingkat pendidikan tertinggi SMP
atau lebih rendah, dan proporsi penduduk dengan status HIV positif.
(b)
𝑠M = 𝑁M × j 𝑠M
∀b
dengan:
Skor total per kawasan didapat dengan menjumlahkan skor total seluruh
kabupaten/kota yang berada di suatu kawasan. Hasil perhitungan total skor di
setiap kawasan seperti pada Tabel 7.
Kawasan Skor
Sumatera 88.579
Jawa Bali 243.248
KTI 89.286
𝑠M
𝐼M = × 𝐼9
𝑠9
dengan:
143/88.578 = 0,001614
143
𝐼ueeUe = × 234501 = 378,6 ≈ 379
88578
Worksheet ini digunakan untuk menghitung estimasi jumlah kasus TB-HIV pada
setiap kabupaten/kota berdasarkan angka estimasi insiden TB-HIV nasional yang
diperoleh dari Global TB Report. Angka nasional insiden TB-HIV ini selanjutnya
dikalikan proporsi estimasi kasus HIV di suatu kabupaten/kota terhadap angka
nasional estimasi kasus HIV untuk mendapatkan angka estimasi insiden TB-HIV
di setiap kabupaten/kota. Rumus perhitungan estimasi kasus TB-HIV di
kabupaten/kota i adalah
𝐻M
𝑇𝐻M = 𝑇𝐻 ×
𝐻
dengan:
Worksheet ini berisikan ringkasan hasil perhitungan yang telah dilakukan pada
setiap kabupaten/kota. Worksheet ini untuk mempermudah dalam perhitungan
estimasi insiden di tingkat provinsi.
Sebaran hasil estimasi insiden TB (absolut dan rate per 100.000 penduduk) dan
cakupan penemuan dan pengobatan TB per kabupaten/kota dapat dilihat di peta
berikut ini.
Dari peta di atas menunjukkan angka cakupan penemuan dan pengobatan kasus
TB menurut kabupaten/kota di mana faskes melaporkan (A) dan menurut
kabupaten/kota di mana kasus TB berdomisili (B) di beberapa kabupaten/kota di
Provinsi Jawa Tengah dan DI Yogyakarta. Dari peta A diketahui bahwa di setiap
kota, yaitu Kota Salatiga, Kota Magelang, Kota Surakarta, dan Kota Yogyakarta,
mempunyai angka cakupan yang tinggi bahkan melebihi 100% jika dibandingkan
dengan perkiraan insiden TB di kota-kota tersebut. Namun jika dilihat dari
cakupan menurut domisili, semua menunjukkan angka cakupan antara 20-60%.
Hal ini disebabkan karena kasus TB yang bertempat tinggal di kabupaten yang
berada di dekat dengan kota, misal kabupaten Boyolali, Karanganyar, dan
Sukoharjo yang mengelilingi Kota Surakarta, atau Kota Magelang yang berada di
tengah Kabupaten Magelang, sebagian mencari pelayanan kesehatan ke kota
yang mungkin lebih mudah untuk dicapai daripada ke ibukota kabupaten.
Cakupan
Provinsi Notifikasi Insiden TB Insiden TB-HIV
penemuan
Nilai Batas Batas Nilai Batas Batas
Fasilitas Domisili Fasilitas Domisili
tengah rendah tinggi tengah rendah tinggi
Aceh 7209 7229 20101 18311 21940 36% 36% 485 269 768
Sumut 26111 26151 62671 57088 68402 42% 42% 1307 726 2070
Sumbar 9297 9305 22917 20875 25012 41% 41% 747 415 1182
Riau 10185 10194 27569 25113 30090 37% 37% 856 476 1355
Jambi 3923 3932 13649 12433 14897 29% 29% 431 240 683
Sumsel 15100 15031 33693 30692 36774 45% 45% 475 264 751
Bengkulu 2465 2477 7741 7052 8449 32% 32% 260 145 412
Lampung 10153 10224 29438 26816 32130 34% 35% 320 178 506
Kepri 4360 4017 10814 9851 11803 40% 37% 248 138 393
DKI Jakarta 37693 34935 47319 43104 51646 80% 74% 5319 2955 8422
Jabar 84799 84456 127754 116374 139437 66% 66% 3525 1958 5581
Jateng 51767 46643 82879 75497 90458 62% 56% 3708 2060 5872
DIY 3495 3375 9053 8247 9881 39% 37% 254 141 402
Jatim 54771 52401 95697 87173 104449 57% 55% 3567 1981 5647
Banten 17113 17761 33019 30078 36039 52% 54% 865 480 1369
Bali 3531 3495 12376 11274 13508 29% 28% 1626 904 2575
NTB 6769 6788 17694 16118 19312 38% 38% 410 228 650
NTT 7065 7089 18811 17135 20531 38% 38% 816 453 1292
Kalbar 5914 5928 17192 15661 18764 34% 34% 297 165 470
Kalteng 3384 3414 9358 8524 10214 36% 36% 234 130 370
Kalsel 7570 6702 15051 13711 16428 50% 45% 366 203 580
Kaltim 6144 6160 14425 13140 15744 43% 43% 731 406 1157
Kaltara 1704 1702 2765 2519 3018 62% 62% 167 93 264
Sulut 7098 6155 9510 8663 10380 75% 65% 476 265 754
Sulteng 5166 5175 10195 9287 11127 51% 51% 221 123 350
Sulsel 17163 17155 30948 28191 33778 55% 55% 879 488 1392
Sultra 3917 3927 8982 8182 9803 44% 44% 235 131 373
Gorontalo 1932 1933 4296 3913 4689 45% 45% 104 58 165
Maluku 4571 4421 6571 5986 7172 70% 67% 361 201 572
Malut 2167 1913 4183 3810 4565 52% 46% 120 67 190
Papua Barat 2052 2066 6501 5922 7096 32% 32% 2031 1128 3216
Papua 11671 10433 18486 16839 20176 63% 56% 4409 2449 6981
Nasional 440370 426502 842000 767000 919000 52% 51% 36000 20000 57000
0 10 20 30 40 50 60 70 80
Perkiraan angka cakupan penemuan dan pengobatan TB tahun 2017 (persen)
Pada sub-bab ini dijelaskan cara perhitungan target cakupan penemuan dan
pengobatan TB di tingkat provinsi, kabupaten/kota, dan kecamatan. Untuk target
penemuan kasus TB di tingkat provinsi, dapat menggunakan worksheet yang
telah disediakan dan nilai sudah ditetapkan sesuai dengan tren capaian
penemuan kasus TB baru dan kambuh di tingkat provinsi selama tiga tahun
terakhir, yaitu 2015-2017.
Jawa Timur Banten Bali Nusa Tenggara Barat Nusa Tenggara Timur
61168 20153 4180 7354 8447
Kalimantan Barat Kalimantan Tengah Kalimantan Selatan Kalimantan Timur Kalimantan Utara
6720 4304 8302 8191 2767
2015
2016
2017
2018
2019
2015
2016
2017
2018
2019
2015
2016
2017
2018
2019
2015
2016
2017
2018
2019
Tahun
Untuk menghitung target penemuan dan pengobatan kasus TB pada tahun 2019-
2014 dari angka cakupan penemuan dan pengobatan TB yang telah ditetapkan
maka perlu diperkirakan angka insiden TB di tahun-tahun tersebut. Dari tren
data insiden rate (per 100.000 penduduk) yang ada di Global TB Report dapat
diprediksi insiden rate pada tahun 2018-2024 dengan asumsi tren eksponensial
seperti pada grafik di bawah ini.
500
Perkiraan insiden TB per 100.000 penduduk
400
300
200
100
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
2017
2018
2019
2020
2021
2022
2023
2024
Tahun
Gambar 32 Tren angka insiden TB per 100.000 penduduk pada tahun 2000-2017
(GTB 2018) dan prediksi pada tahun 2018-2019
1.000.000
900.000
Perkiraan insiden TB
800.000
700.000
600.000
500.000
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
2017
2018
2019
2020
2021
2022
2023
2024
Tahun
Gambar 33 Tren angka insiden TB pada tahun 2000-2017 (GTB 2018) dan prediksi
pada tahun 2018-2019
Perkiraan angka insiden TB di Indonesia tahun 2017 dan prediksi angka insiden
TB tahun 2018-2024 adalah seperti pada tabel berikut ini.
Insiden TB Insiden TB
Tahun
(dalam ribuan) (per 100.000 penduduk)
2017 842 (767 – 919) 319 (291 – 348)
2018 843 (768 – 919) 316 (288 – 344)
2019 843 (768 – 919) 313 (285 – 341)
2020 844 (768 – 919) 310 (282 – 337)
2021 844 (767 – 919) 307 (279 – 334)
2022 843 (766 – 916) 304 (276 – 330)
2023 842 (764 – 915) 301 (273 – 327)
2024 841 (762 – 913) 298 (270 – 323)
Tabel 10 Target cakupan penemuan dan pengobatan TB dan kasus TB yang harus
ditemukan, 2019-2024
(o)
(o) 𝐶
𝑇M = M(o) × 𝑇 (o)
𝐶
dengan:
(𝑡)
• 𝑇𝑖 adalah target kasus TB yang harus ditemukan dan diobati di provinsi
i pada tahun t
• 𝑇 (o) adalah target kasus TB yang harus ditemukan dan diobati di Indonesia
pada tahun t
(o)
• 𝐶M adalah perkiraan capaian kasus TB yang ditemukan dan diobati tanpa
adanya upaya lebih dalam menemukan kasus TB di provinsi i pada tahun
t dibandingkan tahun-tahun sebelumnya
(o)
• 𝐶 (o) adalah penjumlahan angka 𝐶M untuk seluruh provinsi
(€)
Tw
• T (€)
adalah alokator target provinsi i pada tahun t
Jika target angka cakupan penemuan dan pengobatan TB di suatu provinsi lebih
besar dari 100% maka akan diubah secara manual menjadi maksimum 90% untuk
tahun 2019-2021 dan 95% untuk tahun 2022-2024. Hal ini bertujuan agar gap
angka target cakupan antar provinsi dapat diminimalkan. Untuk target angka
cakupan di provinsi lainnya diproporsionalkan terhadap angka perkiraan insiden
TB di tahun tersebut.
Target angka cakupan penemuan dan pengobatan TB dan jumlah kasus TB yang
harus ditemukan dan diobati di setiap provinsi pada tahun 2019-2024 dapat di
lihat di tabel-tabel berikut ini.
Jumlah kasus
Target cakupan
yang harus
Provinsi Estimasi insiden penemuan dan
ditemukan dan
pengobatan
diobati
Aceh 20125 54% 10881
Sumut 62745 60% 37643
Sumbar 22944 65% 14922
Riau 27601 67% 18419
Jambi 13665 36% 4917
Sumsel 33733 79% 26528
Bengkulu 7750 50% 3869
Lampung 29473 53% 15559
Babel 5916 49% 2884
Kepri 10827 64% 6891
DKI Jakarta 47375 90% 42638
Jabar 127906 90% 115115
Jateng 82978 86% 71315
DIY 9064 63% 5674
Jatim 95811 84% 80037
Banten 33058 80% 26369
Bali 12391 44% 5470
NTB 17715 54% 9623
NTT 18833 59% 11053
Kalbar 17212 51% 8792
Kalteng 9369 60% 5631
Kalsel 15069 72% 10863
Kaltim 14442 74% 10718
Kaltara 2768 90% 2492
Sulut 9521 88% 8410
Sulteng 10207 80% 8171
Sulsel 30985 88% 27196
Sultra 8992 63% 5689
Gorontalo 4301 74% 3195
Sulbar 4440 72% 3209
Maluku 6579 90% 5921
Malut 4188 66% 2754
Papua Barat 6509 42% 2745
Papua 18508 90% 16657
Nasional 843000 75% 632250
Jumlah kasus
Target cakupan
yang harus
Provinsi Estimasi insiden penemuan dan
ditemukan dan
pengobatan
diobati
Aceh 20149 60% 12094
Sumut 62819 65% 40948
Sumbar 22971 74% 16964
Riau 27634 80% 22028
Jambi 13681 37% 5079
Sumsel 33773 90% 30396
Bengkulu 7760 57% 4399
Lampung 29508 58% 17190
Babel 5923 54% 3225
Kepri 10840 73% 7882
DKI Jakarta 47431 90% 42688
Jabar 128057 90% 115252
Jateng 83076 90% 74768
DIY 9074 71% 6426
Jatim 95925 90% 86332
Banten 33098 90% 29788
Bali 12406 49% 6099
NTB 17736 59% 10414
NTT 18856 65% 12337
Kalbar 17233 56% 9680
Kalteng 9380 69% 6431
Kalsel 15087 81% 12293
Kaltim 14459 86% 12461
Kaltara 2772 90% 2495
Sulut 9532 90% 8579
Sulteng 10219 90% 9197
Sulsel 31022 90% 27919
Sultra 9003 68% 6119
Gorontalo 4306 85% 3641
Sulbar 4445 82% 3639
Maluku 6587 90% 5928
Malut 4193 71% 2978
Papua Barat 6516 44% 2857
Papua 18530 90% 16677
Nasional 844000 80% 675200
Jumlah kasus
Target cakupan
yang harus
Provinsi Estimasi insiden penemuan dan
ditemukan dan
pengobatan
diobati
Aceh 20149 74% 14840
Sumut 62819 78% 49297
Sumbar 22971 90% 20674
Riau 27634 90% 24871
Jambi 13681 43% 5821
Sumsel 33773 90% 30396
Bengkulu 7760 71% 5501
Lampung 29508 71% 20982
Babel 5923 67% 3977
Kepri 10840 90% 9756
DKI Jakarta 47431 90% 42688
Jabar 128057 90% 115252
Jateng 83076 90% 74768
DIY 9074 88% 8011
Jatim 95925 90% 86332
Banten 33098 90% 29788
Bali 12406 60% 7503
NTB 17736 70% 12478
NTT 18856 81% 15192
Kalbar 17233 68% 11779
Kalteng 9380 86% 8072
Kalsel 15087 90% 13578
Kaltim 14459 90% 13013
Kaltara 2772 90% 2495
Sulut 9532 90% 8579
Sulteng 10219 90% 9197
Sulsel 31022 90% 27919
Sultra 9003 81% 7292
Gorontalo 4306 90% 3876
Sulbar 4445 90% 4000
Maluku 6587 90% 5928
Malut 4193 85% 3566
Papua Barat 6516 51% 3300
Papua 18530 90% 16677
Nasional 844000 85% 717400
Jumlah kasus
Target cakupan
yang harus
Provinsi Estimasi insiden penemuan dan
ditemukan dan
pengobatan
diobati
Aceh 20125 81% 16246
Sumut 62745 85% 53061
Sumbar 22944 90% 20650
Riau 27601 95% 26221
Jambi 13665 44% 5980
Sumsel 33733 95% 32046
Bengkulu 7750 79% 6122
Lampung 29473 78% 22865
Babel 5916 74% 4373
Kepri 10827 90% 9745
DKI Jakarta 47375 95% 45006
Jabar 127906 95% 121510
Jateng 82978 95% 78829
DIY 9064 90% 8157
Jatim 95811 95% 91020
Banten 33058 95% 31405
Bali 12391 66% 8233
NTB 17715 75% 13373
NTT 18833 89% 16684
Kalbar 17212 74% 12800
Kalteng 9369 90% 8432
Kalsel 15069 95% 14316
Kaltim 14442 95% 13720
Kaltara 2768 95% 2630
Sulut 9521 95% 9045
Sulteng 10207 95% 9697
Sulsel 30985 95% 29436
Sultra 8992 86% 7776
Gorontalo 4301 95% 4086
Sulbar 4440 95% 4218
Maluku 6579 95% 6250
Malut 4188 90% 3769
Papua Barat 6509 52% 3416
Papua 18508 95% 17582
Nasional 843000 90% 758700
Jumlah kasus
Target cakupan
yang harus
Provinsi Estimasi insiden penemuan dan
ditemukan dan
pengobatan
diobati
Aceh 20101 82% 16396
Sumut 62671 84% 52744
Sumbar 22917 90% 20625
Riau 27569 95% 26190
Jambi 13649 42% 5685
Sumsel 33693 95% 32008
Bengkulu 7741 81% 6267
Lampung 29438 78% 22982
Babel 5909 75% 4431
Kepri 10814 90% 9733
DKI Jakarta 47319 95% 44953
Jabar 127754 95% 121366
Jateng 82879 95% 78735
DIY 9053 90% 8148
Jatim 95697 95% 90912
Banten 33019 95% 31368
Bali 12376 67% 8326
NTB 17694 75% 13242
NTT 18811 90% 16885
Kalbar 17192 75% 12834
Kalteng 9358 90% 8422
Kalsel 15051 95% 14299
Kaltim 14425 95% 13704
Kaltara 2765 95% 2627
Sulut 9510 95% 9034
Sulteng 10195 95% 9685
Sulsel 30948 95% 29401
Sultra 8982 85% 7664
Gorontalo 4296 95% 4081
Sulbar 4434 95% 4213
Maluku 6571 95% 6243
Malut 4183 90% 3765
Papua Barat 6501 50% 3272
Papua 18486 95% 17561
Nasional 842000 90% 757800
Jumlah kasus
Target cakupan
yang harus
Provinsi Estimasi insiden penemuan dan
ditemukan dan
pengobatan
diobati
Aceh 20077 82% 16547
Sumut 62596 84% 52509
Sumbar 22889 90% 20601
Riau 27536 95% 26159
Jambi 13633 40% 5424
Sumsel 33653 95% 31970
Bengkulu 7732 83% 6404
Lampung 29403 79% 23110
Babel 5902 76% 4487
Kepri 10802 90% 9721
DKI Jakarta 47263 95% 44900
Jabar 127602 95% 121222
Jateng 82781 95% 78642
DIY 9042 90% 8138
Jatim 95584 95% 90804
Banten 32980 95% 31331
Bali 12362 68% 8419
NTB 17673 74% 13135
NTT 18789 90% 16910
Kalbar 17172 75% 12877
Kalteng 9347 90% 8412
Kalsel 15033 95% 14282
Kaltim 14408 95% 13687
Kaltara 2762 95% 2624
Sulut 9499 95% 9024
Sulteng 10183 95% 9674
Sulsel 30911 95% 29366
Sultra 8971 84% 7569
Gorontalo 4291 95% 4076
Sulbar 4429 95% 4208
Maluku 6563 95% 6235
Malut 4178 90% 3746
Papua Barat 6493 48% 3146
Papua 18464 95% 17541
Nasional 841000 90% 756900
(o•e)
(o)
𝑁MN (o)
𝑇MN = (o•e)
× 𝑇M
𝑁M
di mana:
(𝑡)
• 𝑇𝑖𝑗 adalah target kasus TB yang harus ditemukan dan diobati di
kabupaten/kota j provinsi i pada tahun t
(𝑡)
• 𝑇𝑖 adalah target kasus TB yang harus ditemukan dan diobati di provinsi
i pada tahun t
(o•e)
• 𝑁MN adalah jumlah kasus TB yang ditemukan dan diobati di
kabupaten/kota j provinsi i pada tahun t-1
(o•e)
• 𝑁M adalah jumlah kasus TB yang ditemukan dan diobati di provinsi i
pada tahun t-1
(ƒUe„) 202
𝑇‚2rf9464 = × 5470 = 312,9 ≈ 313
3531
(ƒUe„) 313
𝐶‚2rf9464 = × 100% = 44,6% ≈ 45%
702
Tabel 17 Jumlah temuan kasus, perkiraan insiden TB, target dan cakupan
penemuan dan pengobatan TB tahun 2019
Dari tabel di atas diketahui bahwa jika target penemuan dan pengobatan TB
dialokasikan secara proporsional terhadap jumlah temuan kasus TB di
kabupaten/kota maka angka cakupan penemuan dan pengobatan TB per
kabupaten/kota adalah cukup bervariasi. Angka cakupan terendah ada di
Kabupaten Bangli (18%) sedangkan tertinggi di Kabupaten Buleleng (66%).
(o•e)
(o)
𝑁MN7 (o)
𝑇MN7 = (o•e)
× 𝑇MN
𝑁MN
dengan:
(𝑡)
• 𝑇𝑖𝑗𝑘 adalah target kasus TB yang harus ditemukan dan diobati di
kecamatan k kabupaten/kota j provinsi i pada tahun t
(𝑡)
• 𝑇𝑖𝑗 adalah target kasus TB yang harus ditemukan dan diobati di
kabupaten/kota i provinsi i pada tahun t
(o•e)
• 𝑁MN7 adalah jumlah kasus TB yang ditemukan dan diobati di kecamatan
k kabupaten/kota j provinsi i pada tahun t-1, atau rata-rata dari beberapa
tahun sebelumnya
(o•e)
• 𝑁MN adalah jumlah kasus TB yang ditemukan dan diobati di
kabupaten/kota j provinsi i pada tahun t-1, atau rata-rata dari beberapa
tahun sebelumnya
Untuk kabupaten yang tidak ada kota didalamnya maka target penemuan dan
pengobatan TB dilakukan secara independen hanya untuk kabupaten tersebut.
Contoh: penentuan target penemuan dan pengobatan TB di setiap kecamatan di
Kabupaten Luwu Timur, Provinsi Sulawesi Selatan.
(ƒUe„) 21
𝑇D:94: = × 633 = 49
268
(ƒUe„) 51
𝑇c† 1M ‡:3: CMr:9 = × 633 = 121
268
Untuk kecamatan yang mempunyai lebih dari satu puskesmas, seperti Kecamatan
Malili, Towuti, dan Wasuponda, pembagian target penemuan dan pengobatan TB
di setiap puskesmas dapat dilakukan dengan beberapa cara, antara lain:
Untuk kabupaten yang ada kota didalamnya maka target penemuan dan
pengobatan TB dilakukan untuk kabupaten dan kota tersebut secara bersama.
Misal Kabupaten dan Kota Magelang di Provinsi Jawa Tengah.
Pada contoh ini, target penemuan dan pengobatan kasus TB digabung antara
kabupaten dan kota. Misal dari hasil estimasi insiden TB tahun 2019 di
Kabupaten dan Kota Magelang adalah 2.876 dan 631, atau secara total adalah
3.507 kasus TB. Misalkan pada tahun 2019 ingin dicapai cakupan penemuan dan
pengobatan TB sebesar 75% atau sebanyak 2.630 kasus maka perhitungan target
penemuan dan pengobatan TB di setiap kecamatan adalah seperti pada Tabel 19.
(ƒUe„) 6
𝑇ˆ4‰2m46‰ †2m4o46 = × 2630 = 11
1407
Tabel 19 Jumlah temuan kasus dan target penemuan dan pengobatan TB menurut
kecamatan di Kabupaten dan Kota Magelang, Provinsi Jawa Tengah Tahun 2019
Dari penjelasan yang telah dijabarkan dalam panduan ini maka dapat
disimpulkan bahwa: